论文部分内容阅读
极化合成孔径雷达(Polarimetric Synthetic Aperture Radar,PolSAR)将卫星发射的信号通过某种形式来获取极化信息。该极化信息涵盖了相位信息、幅度信息和散射信息等多种全面的地物信息,有利于地物的检测和分类。极化SAR图像的一大优势是其具有丰富的极化信息,因此目前已在多个领域普遍应用,如:变化检测、土地分类、目标识别、地物提取等。在分辨率、噪声、滤波等的影响下,全极化SAR图像现存的分类方式仍然存在一些缺陷:如传统的目标分解算法获得的极化特征比较单一,由于传统的卷积神经网络需要大规模的数据进行训练,因此训练速度和测试速度缓慢,传统的SVM分类器的训练速度缓慢,这些因素势必将影响分类结果。本文基于此,进行了以下探索:(1)提出了一种基于全卷积网络的极化SAR图像地物分类算法。该算法是一种基于语义级的分类,实现了端到端的分类任务。传统的卷积神经网络测试时间较长,为了克服这一缺点,该算法结合了极化SAR图像的特性,设计了一种专门针对极化SAR图像地物分类任务的全卷积网络。在保证分类精度的情况下,全卷积网络的测试时长明显低于传统卷积网络的测试时长。而且该网络对输入图像的尺寸没有限制,在测试阶段,可以使用整张原图进行测试,避免了由块拼接所带来的边缘效应,取得了不错的分类效果。(2)提出了一种基于Pauli分解和散射变换的极化SAR图像地物分类算法。传统的目标分解算法提取的极化特征比较单一。为了克服这一缺点,该算法将极化SAR图像通过Pauli分解、散射变换得到的特征分别在全卷积网络的数据层、网络层和分类层进行结合。该算法全面细致地保留了图像的极化特征、散射特征和高层纹理特征信息。通过大量的实验发现,在全卷积网络的数据层进行特征结合的分类效果最好。(3)提出了一种基于多特征结合的极化SAR图像地物分类算法。由于Freeman分解可以降低斑点噪声的影响,而且算法(2)在全卷积网络的数据层进行特征结合的效果最佳,因此该算法在算法(2)中数据层特征结合的基础上加入了Freeman分解,保留了极化SAR图像更丰富的极化特性,进一步提高了分类精度。